Docker-GitHub Actions Runner 项目中的持久化配置指南
2025-07-07 12:01:59作者:丁柯新Fawn
在基于Docker容器部署GitHub Actions Runner时,持久化配置是一个关键考虑因素。本文将以docker-github-actions-runner项目为例,详细介绍如何通过Docker Compose实现Runner的持久化运行。
为什么需要持久化配置
GitHub Actions Runner在首次运行时需要向GitHub服务器注册,这一过程会生成重要的配置文件。如果没有持久化存储这些文件,每次容器重启都需要重新注册Runner,这不仅带来额外操作负担,还可能导致Runner ID变更等问题。
核心配置参数
实现持久化主要依赖以下两个关键配置:
- CONFIGURED_ACTIONS_RUNNER_FILES_DIR:指定Runner配置文件存储路径
- /runner/data卷挂载:确保配置文件在容器重启后依然可用
推荐的Docker Compose配置
以下是经过优化的Docker Compose配置示例:
version: '2.3'
services:
worker:
image: myoung34/github-runner:latest
environment:
REPO_URL: https://github.com/example/repo
RUNNER_NAME: example-name
RUNNER_TOKEN: your_github_token
RUNNER_WORKDIR: /tmp/runner/work
CONFIGURED_ACTIONS_RUNNER_FILES_DIR: /runner/data
RUNNER_SCOPE: 'repo'
LABELS: linux,x64,gpu
security_opt:
- label:disable
volumes:
- '/var/run/docker.sock:/var/run/docker.sock'
- '/runner/data:/runner/data'
- '/tmp/runner:/tmp/runner'
配置详解
- CONFIGURED_ACTIONS_RUNNER_FILES_DIR:设置为/runner/data,这是容器内存储Runner配置的目录
- 卷挂载:将主机上的/runner/data目录映射到容器内的相同路径,确保配置持久化
- RUNNER_SCOPE:设置为'repo'表示Runner仅用于特定仓库
- LABELS:定义Runner的标签,便于工作流中识别和选择
注意事项
- Runner组:RUNNER_GROUP参数仅适用于GitHub Enterprise,普通用户应注释掉此参数
- 路径一致性:Docker-in-Docker场景下,主机和容器内的路径必须保持一致
- SELinux系统:需要添加security_opt配置以允许容器管理其他容器
持久化原理
当Runner首次启动时,会在/runner/data目录下生成以下重要文件:
- .credentials:包含Runner的认证信息
- .runner:Runner的配置文件
- 其他运行时需要的文件
通过将/runner/data目录挂载到主机,这些文件得以保留。当容器重启时,Runner会检查该目录下的配置文件,如果存在则直接使用,无需重新注册。
最佳实践建议
- 定期备份/runner/data目录
- 为不同的Runner使用不同的持久化目录
- 考虑使用命名卷代替主机目录挂载,以获得更好的可移植性
- 监控Runner的运行状态,确保自动重启机制正常工作
通过以上配置,您可以建立一个稳定可靠的GitHub Actions Runner环境,适合个人开发者或小型团队使用。这种方案特别适合需要长期运行的自动化任务场景。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0202
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
热门内容推荐
项目优选
收起
deepin linux kernel
C
32
16
Ascend Extension for PyTorch
Python
746
927
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.02 K
267
暂无描述
Dockerfile
771
5.03 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
867
1.97 K
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
70
22
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.94 K
202
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
694
1.36 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
465
456
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
C
458
5.25 K